Chapitre 3

Identification

Le chapitre précédent a présenté des modèles exprimant les lois physiques

connues et régissant le fonctionnement d’un système. Ce type de modèle est
dit de connaissance. Dans le cas où la mise en équation d’un système est diffi-
cile, on fait appel à l’identification qui permet d’établir un modèle à partir de
l’observation des signaux d’entrées et de sorties (comportement externe) et de
mesures expérimentales. Ce modèle est dit de représentation et fait l’objet de
ce chapitre.

De manière générale, l’identification d’un modèle est effectuée en deux

étapes :

1. la détermination de la structure du modèle (par exemple l’ordre du

numérateur et celui du dénominateur),

2. l’estimation des paramètres du modèle.

3.1 Approche temporelle

Une manière assez simple de caractériser un système est de l’exciter avec

un signal particulier, souvent un signal échelon. L’identification se fait donc à
partir de la réponse indicielle. En comparant la réponse du système avec des
réponses types, on peut alors choisir la structure du modèle. Des exemples sont
traités ci-dessous à partir de la résponse à un échelon d’amplitude
Δu = u(∞) − u(0). La réponse y(t) a une amplitude Δy = y(∞) − y(0).

47
48 CHAPITRE 3. IDENTIFICATION

3.1.1 Système du premier ordre

Si le système n’a pas de dépassement et que sa pente présente une discon-
tinuité à l’origine, on peut choisir de le modéliser par un premier ordre de la
forme :
Y (s) Ks
= (3.1)
U(s) 1 + τs

on peut alors estimer le gain statique Ks grâce à l’amplification en continu :

Δy
Ks = (3.2)
Δu
et la constante de temps τ qui est le temps de montée à 63 % (en effet,
1 − exp(−1) = 0.631).

3.1.2 Système du second ordre résonant

Si le système a un dépassement et que sa pente ne présente pas de discon-
tinuité, on peut choisir de le modéliser par un second ordre à pôles complexes
conjugués de la forme :

Y (s) Ks
= (3.3)
U(s) 1 2
ω02
s + ω2ξ0 s + 1

On détermine le gain par la même expression (3.2) à partir des amplitudes des
variations de l’entrée et de la sortie. L’amortissement ξ est déterminé à partir
du dépassement en inversant l’expression (2.32), ce qui donne :

1
ξ=  2 (3.4)
−π
1+ ln(D)

où D = D% /100. Il reste ensuite à déterminer la pulsation propre ω0 . Cela se

fait à partir de la période Tc des oscillations relevées expérimentalement 1 . On
a alors la pseudo-pulsation ω1 = 2π Tc
. La relation suivante entre la pulsation et
la pseudo-pulsation :

ω1 = 1 − ξ 2 ω0 (3.5)

permet de déterminer ω0 .
Tc
1. Le temps qui s’écoule entre deux instants t consécutifs vérifiants y(t) = y(∞) est 2 .
3.1. APPROCHE TEMPORELLE 49

3.1.3 Méthode de Strejc

Si la réponse d’un système ne présente pas de dépassement (on parle de
système apériodique) et que sa pente ne présente pas de discontinuité, on peut
choisir de le modéliser par une fonction de transfert de la forme :
Ks e−tr s
G(s) = (3.6)
(1 + τ s)n
La méthode de Strejc permet d’identifier ce modèle à partir de la réponse à un
échelon.

Fig. 3.1 – Réponse à un échelon pour l’identification par la

méthode de Strejc

La réponse à un échelon d’amplitude Δu d’un tel système pour n ≥ 2

s’écrit :
   n

−t tk
y(t) = Ks Δu 1 − exp (3.7)
τ k!τ k
k=0

Sa dérivée est :
 
Ks Δu −t tn−1
ẏ(t) = exp (3.8)
τn τ (n − 1)!
et sa dérivée seconde :
   
Ks Δu −t tn−2 t
ÿ(t) = exp n−1− (3.9)
τn τ (n − 1)! τ
50 CHAPITRE 3. IDENTIFICATION

On observe que la dérivée seconde s’annule une seule fois pour t > 0 en
t1 = τ (n − 1), ce qui signifie que la courbe y(t) présente un point d’inflexion en
(t1 , y(t1 )). La tangente à la courbe y(t) en ce point coupe l’axe des abscisses
en t = Tu et atteint la valeur y(∞) en t = Tu + Ta . Les valeurs de Tu /τ , Ta /τ
et Tu /Ta sont données dans le tableau 3.1 pour les ordres 2 à 10.

n Tu /τ Ta /τ Tu /Ta
2 0.2817 2.718 0.1036
3 0.8055 3.695 0.2180
4 1.425 4.464 0.3194
5 2.102 5.112 0.4103
6 2.811 5.699 0.4933
7 3.549 6.226 0.5700
8 4.307 6.711 0.6417
9 5.081 7.164 0.7092
10 5.869 7.590 0.7732

Tab. 3.1 – Rapports entre les constantes de temps pour l’identifi-

cation par la méthode de Strejc

La méthode d’identification peut donc être synthétiser comme suit : à partir

de la réponse à un échelon, on identifie dans un premier temps le gain statique
Ks = Δy/Δu où Δu est l’amplitude de l’échelon d’entrée et Δy est l’amplitude
de la variation de la réponse. Dans un second temps, on trace la tangente à
la courbe au point d’inflexion 2 et on relève le temps Tu entre l’instant de
déclenchement de l’échelon et l’instant où l’asymptote coupe la valeur initiale
de y(t). On relève Ta entre ce dernier instant et l’instant où l’asymptote atteint
la valeur finale de y(t). A partir du rapport Tu /Ta , on détermine l’ordre du
système. Pour la valeur de n choisie, on détermine τ à partir de la valeur de
Tu /τ ou de Ta /τ . Enfin, on détermine le temps de retard fictif tr 3 par l’écart
entre la valeur réelle de Tu fixée sur la réponse indicielle et celle déterminée du
tableau de Strejc.

Exemple (Identification d’un système par la méthode de Strejc)

2. La tangente à la courbe au point d’inflexion a la particularité de croiser la courbe en
ce point.
3. Le temps de retard fictif est introduit pour compenser l’erreur due à la détermination
du point d’inflexion.
3.1. APPROCHE TEMPORELLE 51

Considérons l’exemple de la figure 3.1.

Pour un échelon d’entrée Δu = 2, l’amplitude de la variation de la réponse

Δy = 1, d’où le gain statique :
Δy
Ks = = 0.5
Δu
En relevant les valeurs de Tu = 1.5s et Ta = 4.4s à partir de la réponse
indicielle, on a :
Tu
= 0.34
Ta
alors la valeur de n entière la plus proche inférieure sera égale à n = 4.

Connaissant la valeur de n, Ta (ou Tu ), on détermine la constante de temps

τ à l’aide de l’une des deux premières colonnes du tableau 3.1. Pour n = 4,
Ta /τ = 4.464, on trouve :
Ta
τ= ≈ 1s
4.464
Pour n = 4 correspond la valeur du tableau Tu /Ta = 0.3194, alors :

Tu = 0.3194 × Ta = 1.4054

et la valeur relevée est Tu = 1.5s, d’où un écart correspondant au temps de

retard fictif :
tr = 1.5 − 1.4054 ≈ 0.1
Si le résultat était négatif, alors on considère que tr = 0.

Donc le modèle du système s’écrit :

0.5e−0.1s
G(s) =
(1 + 0.1s)4

3.1.4 Méthode de Broı̈da

Cette méthode consiste à identifier un système apériodique du nième ordre
par une fonction de transfert du premier ordre affectée d’un retard pur. Cette
fonction s’écrit :
Ks e−tr s
G(s) = (3.10)
1 + τs
La méthode de Broı̈da permet d’identifier ce modèle à partir de la réponse à
un échelon.
52 CHAPITRE 3. IDENTIFICATION

Fig. 3.2 – Réponse à un échelon pour l’identification par la

méthode de Broı̈da

Le gain statique étant déterminé par la même relation Ks = Δu/Δy, le

problème d’identification consistera donc à déterminer la constante de temps
τ et le temps de retard pur tr . Pour cela, Broı̈da fait correspondre la réponse
indicielle à identifier et la fonction de transfert du premier ordre affectée d’un
retard en deux instants t1 et t2 d’ordonnées correspondant à 28 % et 40 % de la
valeur finale de la sortie du système. Il suit les systèmes d’équations suivants :
⎧  
⎪
⎪ − (t1 − tr )
⎪
⎨ 1 − exp = 0.28
τ
 
⎪
⎪ − (t − t )
⎪ 1 − exp
⎩
2 r
= 0.4
τ

⎧  
⎪
⎪ −t1
⎪
⎨ 1 − exp = 0.28
τ
 
⎪
⎪ t2
⎪
⎩ 1 − exp − = 0.4
τ

D’où les expressions :

τ = 5.5 (t2 − t1 ) (3.11)

tr = 2.8t1 − 1.8t2 (3.12)

3.1. APPROCHE TEMPORELLE 53

Exemple (Identification d’un système par la méthode de Broı̈da)

Considérons l’exemple de la figure 3.2.

Pour un échelon d’entrée Δu = 2, l’amplitude de la variation de la réponse

Δy = 1, d’où le gain statique :
Δy
Ks = = 0.5
Δu
On détermine les ordonnées égales à 28% et 40% de Δy = 1, soit :

0.28 × Δy = 0.28
0.4 × Δy = 0.4

Puisque y(0) = 0, alors on obtient :

y28% = 0.28 et y40% = 0.4

Ensuite, on relève à partir de la réponse indicielle les instants t1 et t2 ayant

pour image ces ordonnées, d’où :

t1 = 2.6s et t2 = 3.2s

D’où les paramètres :

τ = 5.5 (t2 − t1 ) = 3.3

tr = 2.8t1 − 1.8t2 = 1.52

Donc le modèle du système s’écrit :

0.5e−1.52s
G(s) =
1 + 3.3s

3.1.5 Système intégrateur

Système intégrateur pur

Un systèmes est dit intégrateur pur si la réponse y(t) est proportionnelle

à l’intégrale du signal d’entrée u(t). On peut choisir de le modéliser par une
fonction de transfert de la forme :
Ks
G(s) = (3.13)
s
54 CHAPITRE 3. IDENTIFICATION

L’identification du modèle consistera donc à déterminer le gain statique Ks .

Pour cela, le système est excité par un échelon d’amplitude Δu, d’où la réponse :
 
−1 Ks Δu
y(t) = L = Ks Δut (3.14)
s

La réponse indicielle est donc une droite de la forme y = at, d’où une variation
d’amplitude de la sortie Δy = tan α = a. Le gain statique est alors déterminé
par :

Δy a
Ks = = (3.15)
Δu Δu

Système intégrateur du nième ordre

Si la réponse indicielle d’un système est de la forme de la figure 3.3, on

peut choisir de le modéliser par la fonction de transfert suivante :

Ks
G(s) = (3.16)
s (1 + τ s)n

Pour un échelon d’amplitude Δu, le signal de sortie du modèle s’écrit :

Fig. 3.3 – Réponse à un échelon pour l’identification d’un système

intégrateur du nième ordre

Ks Δu
Y (s) = G(s)U(s) = n (3.17)
s (1 + τ s) s
3.1. APPROCHE TEMPORELLE 55

d’où la transformée de Laplace inverse :

     
−t n−1 t
y(t) = y(0) + Ks Δu t − nτ + τ exp n+
τ 1! τ
   2    n−1

n−2 t 1 t
+ +···+ (3.18)
2! τ (n − 1)! τ

Lorsque t tend vers l’infini, l’exponentielle s’annule et la réponse se réduit à :

y(t) = y(0) + Ks Δu(t − nτ ) (3.19)

Donc, l’asymptote a une pente de Ks Δu et coupe l’axe des abscisses au point

t1 = nτ .
En correspondant à l’instant t = t1 les ordonnées y1 de la réponse et y2 de la
parallèle à l’asymptote passant par l’origine, on obtient :
    
−n n−1 n−2
y1 − y(0) = Ks Δu + e nτ + nτ + n2 τ + · · ·
1! 2!

τ n−1
+ n (3.20)
(n − 1)!

y2 − y(0) = Ks Δu t1 = Ks Δu(nτ ) (3.21)

Soit :
     
y1 − y(0) −n n−1 n−2 1
=e 1+ +n +···+ nn−2
(3.22)
y1 − y(0) 1! 2! (n − 1)!

Comme le second membre ne dépend que de l’ordre n, la mesure de y1 et y2

permet de déterminer n en utilisant le tableau 3.2.

n 1 2 3 4 5
y1 − y(0)
0.368 0.271 0.224 0.195 0.175
y2 − y(0)

Tab. 3.2 – Détermination de l’ordre d’un système intégrateur du nième ordre

Les paramètres de la fonction de transfert seront identifiés comme suit :

t1
— La constante de temps τ =
n
56 CHAPITRE 3. IDENTIFICATION

— Si la valeur du rapport (3.22) n’est pas incluse dans le tableau, on

déplace la parallèle à l’asymptote vers celle-ci jusqu’à l’obtention d’un
nouveau rapport pour déterminer la valeur de n. Cette translation cor-
respond à un temps de retard tr et il vient :

Ks e−tr s
G(s) = (3.23)
s(1 + τ s)n

Il existe une autre méthode plus rapide, mais moins précise, pour l’identi-
fication d’un système intégrateur du nième ordre. Elle consiste à admettre que
ce système peut être assimilé à un système intégrateur affecté d’un retard pur,
soit :
Ks Ks e−tr s
G(s) = ≈ (3.24)
s(1 + τ s)n s

avec tr = t1 .

3.1.6 Identification en boucle fermée

Les méthodes d’identification en boucle ouverte sont basés sur des instants
de mesure assez éloignés et des perturbations peuvent apparaı̂tre, d’où des
imprécisions d’identification. En boucle fermée, si le système le permet, on
peut l’amener à la limite de stabilité, ce qui conduit à avoir une phase de −π
et un gain en module de 1. Ces valeurs exactes permettent alors d’identifier le
modèle du système avec plus de précision.

Comme illustrer sur la figure 3.4, le système à identifier est de fonction de

transfert G(s) contrôlé par un régulateur C(s).

Fig. 3.4 – Régulation d’un système en boucle fermée

La méthode consiste à supprimer l’effet régulateur et à augmenter le gain

Kr jusqu’à mettre le système en limite de stabilité, c’est-à-dire que la réponse
3.1. APPROCHE TEMPORELLE 57

du système va osciller continûment. On appelle ceci le pompage. La pulsation

des oscillations de pompage ωo correspond à Kr G(jωo ) = −1, alors :
⎧
⎨ Kr |G(jωo)| =1
(3.25)
⎩ arg (K G(jω ))= −π
r o

Détermination du gain statique

La fonction de transfert en BF s’écrit :

C(s)G(s)
F (s) = (3.26)
1 + C(s)G(s)

Sachant que C(0) = Kr et G(0) = Ks , on obtient en régime statique :

Kr K s
F (0) = (3.27)
1 + Kr Ks

Partant d’un état d’équilibre y(0), on applique un échelon d’amplitude Δu = a

au système bouclé. Notons b l’écart entre la réponse finale y(∞) et y(0) + a, il
vient à l’équilibre :

K r Ks
y(∞) = y(0) + a = y(0) + (a − b) (3.28)
1 + Kr Ks

Donc, le gain statique est déterminé par :

a−b
Ks = (3.29)
bKr

Méthode de Strejc

Le modèle reste identique, soit :

Ks e−tr s
G(s) =
(1 + τ s)n

En BF, on cherche la valeur de Ko = Kr Ks provoquant un pompage de période

To et de pulsation ωo = 2π/To . L’identification consiste à résoudre le système :
⎧  
⎪  Ko e−jtr ωo 
⎪
⎪   =1
⎨  (1 + jτ ω )n 
o
 
⎪
⎪ e−jtr ωo
⎪
⎩ arg = −π
(1 + jτ ωo )n
58 CHAPITRE 3. IDENTIFICATION

Le gain statique Ks est déterminé par une réponse indicielle en BO ou en BF.

La résolution des équations donne l’ordre n par :
1
Ko =  π n (3.30)
cos
n
On peut déterminer n à partir de Ko en s’aidant du tableau 3.3. Ensuite, on
calcule la constante de temps par :
To π
τ= tan (3.31)
2π n
et le temps de retard à partir de :
 

To n 2
tr = 1 − arctan Kon − 1 (3.32)
2 π

Ko n Ko n Ko n
∞ 2 4.90 3.6 1.69 9.5
232 2.1 4.39 3.8 1.60 10
72 2.2 4 4 1.51 12
38 2.3 3.31 4.5 1.42 14
25 2.4 2.89 5 1.36 16
18.83 2.5 2.58 5.5 1.31 18
14.81 2.6 2.37 6 1.28 20
12.19 2.7 2.20 6.5 1.21 25
10.36 2.8 2.07 7 1.17 30
9.02 2.9 1.97 7.5 1.13 40
8 3 1.88 8 1.10 50
6.55 3.2 1.81 8.5 1.05 100
5.59 3.4 1.75 9 - -

Tab. 3.3 – Détermination de l’ordre d’un système par la méthode

de Strejc en boucle fermée

En cas d’un système intégrateur, le modèle à identifier s’écrit :

Ks e−tr s
G(s) =
s(1 + τ s)n
3.1. APPROCHE TEMPORELLE 59

A la limite de stabilité, on a les conditions suivantes :

⎧  
⎪  Ko e−jtr ωo 
⎪
⎪   =1
⎨  jω (1 + jτ ω )n 
o o
 
⎪
⎪ π e−jtr ωo
⎪
⎩ − + arg = −π
2 (1 + jτ ωo )n

Le tableau 3.4 permet d’identifier l’ordre n. On peut ensuite calculer la constante

de temps par :

  n2
To Ko
τ= −1 (3.33)
2π ωo

et le temps de retard à partir de :

 
To 2n
tr = 1− arctan (τ ωo ) (3.34)
4 π

n 2 2.5 2.8 3 3.5 4 4.5 5 5.5 6

Ko
2 1.7 1.59 1.54 1.44 1.37 1.32 1.28 1.25 1.23
ωo

Tab. 3.4 – Détermination de l’ordre d’un système intégrateur par

la méthode de Strejc en boucle fermée

Méthode de Broı̈da

Le modèle de Broı̈da est le suivant :

Ks e−tr s
G(s) =
1 + τs
Pour identifier ce modèle, on doit déterminer les paramètres Ks , τ et tr . En BF,
on augmente Ko (c’est-à-dire le gain Kr ) jusqu’à l’apparition du pompage de
période To et de pulsation ωo . L’identification consiste à résoudre le système :
⎧  
⎪  Ko e−jtr ωo 
⎪
⎪   =1
⎨  1 + jτ ω 
o
 −jtr ωo 
⎪
⎪ e
⎪
⎩ arg = −π
1 + jτ ωo
60 CHAPITRE 3. IDENTIFICATION

Le gain statique Ks est déterminé par une réponse indicielle en BO ou en BF.

La résolution des équations donne la constante de temps par :

To  2
τ= Ko − 1 (3.35)
2π

Le temps de retard est déterminé à partir de :

  
To 1
tr = 1 − arctan Ko2 − 1 (3.36)
2 π

En présence d’intégrateur, le modèle à identifier s’écrit :

Ks e−tr s
G(s) =
s(1 + τ s)

Les conditions de limite de stabilité sont telles que :

⎧  
⎪  Ko e−jtr ωo 
⎪
⎪   =1
⎨  jωo (1 + jτ ωo ) 
 −jtr ωo 
⎪
⎪ π e
⎪
⎩ − + arg = −π
2 (1 + jτ ωo )

La résolution des équations permet de déterminer la constante de temps par :

To  2
τ= Ko − 1 (3.37)
2π

Le temps de retard est calculé à partir de :

 
To 2
tr = 1 − arctan (τ ωo ) (3.38)
4 π

Exercice (Méthodes de Strejc et de Broı̈da en boucle fermée)

Soit un processus et son correcteur bouclés à retour unitaire. On souhaite

identifier le système selon les méthodes de Strejc et de Broı̈da.
On supprime toutes les actions du correcteur. On applique en entrée un échelon
de 5V et on augmente le gain du correcteur jusqu’à la limite de stabilité, on
relève Kr = 10 et la période d’oscillation To = 18.5s. La sinusoı̈de de sortie est
centrée sur 4.4V. Déterminer deux modèles correspondant à cet essai.
3.2. APPROCHE FRÉQUENTIELLE 61

Transformation modèle de Strejc - modèle de Broı̈da

Dans certains cas particulier de régulation, il peut être intéressant de trans-

former le modèle de Strejc à un modèle de Broı̈da qui est plus exploitable pour
les calculs des actions du régulateur.

On cherche à transformer :
1 e−tr s
G1 (s) = → G 2 (s) =
(1 + τ1 s)n 1 + τ2 s

Alors, d’après le modèle connu de Strejc on obtient l’ordre n, d’où on détermine

le gain Ko d’après le tableau. La constante de temps τ1 étant donnée, on utilise
l’expression suivante pour déterminer la période de pompage To :
To π
τ1 = tan
2π n
Ainsi, il suffit de calculer tr et τ2 du modèle de Broı̈da donnant les mêmes
conditions de pompage, soit le même gain et la même période. Ce calcul s’ef-
fectuera à l’aide des expressions :
To  2
τ2 = K −1
2π  o 
To 1 
tr = 1 − arctan Ko − 1
2
2 π

Exercice (Transformation modèle de Strejc - modèle de Broı̈da)

Soit un système et son correcteur bouclés à retour unitaire. Le modèle du
système est identifié par la méthode de Strejc sous la forme :
1
(1 + 10s)3

Identifier un autre modèle du système par la méthode de Broı̈da sous la forme :

e−tr s
1 + τs

3.2 Approche fréquentielle

Dans le domaine fréquentielle, l’identification consiste dans un premier
temps à tracer le diagramme de Bode expérimentalement à partir d’une série
de mesures en régime sinusoı̈dale à différentes fréquences.
62 CHAPITRE 3. IDENTIFICATION

Dans certains cas simples, il est possible d’estimer les coefficients de la

fonction de transfert directement à partir de l’analyse du diagramme de Bode.
Dans le cas générale, on se sert du diagramme pour estimer la structure de la
fonction de transfert en y détectant des directions asymptotiques.

3.2.1 Système du premier ordre

A partir du diagramme de Bode, on peut identifier un système à un premier

Ks
ordre sous la forme G(s) = 1+τ s
. Cette fonction de transfert s’exprime dans le
domaine fréquentielle par :

Ks
G(jω) = (3.39)
1 + jτ ω

Le module et l’argument s’expriment alors par :

Ks
|G(jω)| =  (3.40)
1 + (τ ω)2
 
−π
arg(G(jω)) = − arctan(τ ω) ∈ ,0 car τ ω > 0 (3.41)
2

D’où les propriétés :

— Gain :
ω → 0, |G(jω)| → Ks , d’où GdB = 20 log Ks
ω → ∞, |G(jω)| → K s
, d’où GdB = 20 log Ks − 20 log ω
τω √
Pour ω = 1/τ , |G(jω)| = √ Ks
, d’où G = 20 log K − 20 log 2 =
2 dB s
  
≈3dB
G(ω → 0) − 3 dB
Les deux asymptotes se coupent en ω = 1/τ , la fréquence de coupure.

— Phase :
ω → 0, arg (G(jω)) → 0
ω → ∞, arg (G(jω)) → −π 2
−π
ω = 1/τ , arg (G(jω)) = 4

Donc, le gain statique Ks est identifié au gain à basses fréquences. La

constante de temps τ est déterminé à la phase π4 correspondant à la fréquence
de coupure (ω = 1/τ ).
3.2. APPROCHE FRÉQUENTIELLE 63

3.2.2 Système du second ordre

Le tracé expérimental du diagramme de Bode permet d’identifier un système
K ω2
à un second ordre sous la forme G(s) = s2 +2ξωs 00s+ω2 . Ce modèle s’exprime dans
0
le domaine fréquentielle par :
Ks ω02
G(jω) = (3.42)
(ω02 − ω 2 ) + j(2ξω0ω)
Le module et l’argument s’écrivent :
Ks ω02
|G(jω)| =  (3.43)
(ω02 − ω 2 )2 + 4ξ 2ω02 ω 2
2ξω0ω
arg (G(jω)) = − arctan 2 ∈ [−π, 0] car ξω0ω > 0 (3.44)
(ω0 − ω 2 )
D’où les propriétés :
— Gain :
ω → 0, on a GdB = 20 log Ks
ω → ∞, alors GdB = 20 log Ks − 20 log ω 2

√
• Si ξ < 2/2 (système faiblement amorti), alors la dérivée du dénominateur

de |G(jω)| s’annule pour ωm = ω0 1 − 2ξ 2, d’où la valeur maxi-
male :
Ks
GdB (ωm ) = 20 log 
2ξ 1 − ξ 2
√
• Si ξ > 2/2 (système fortement amorti), il n’y a pas de dépassement
et le modèle peut se mettre sous la forme :
Ks
G(jω) =
(1 + jτ1 ω)(1 + jτ2 ω)
La fonction de transfert est la multiplication de deux premiers ordres
d’où :
GdB = 20 log Ks − 20 log (|1 + jτ1 ω|) − 20 log (|1 + jτ2 ω|)
     
Première pente à -20dB/dec Seconde pente à -20dB/dec

— Phase :
ω → 0, arg (G(jω)) → 0
ω → ∞, arg (G(jω)) → −π

Donc, le gain statique Ks est identifié au gain à basses fréquences. La

pulsation ω0 est déterminé à la phase π2 .
64 CHAPITRE 3. IDENTIFICATION

3.2.3 Système intégrateur du nième ordre

A partir du diagramme de Bode, on peut identifier un système intégrateur
du nième ordre sous la forme G(s) = K
sn
s
. Dans le domaine fréquentielle, ce
modèle s’écrit :
Ks
G(jω) = (3.45)
(jω)n
Alors, on a :
Ks
|G(jω)| = (3.46)
ωn
−nπ
arg (G(jω)) = (3.47)
2
d’où, on obtient :
GdB = 20 log Ks − 20n log ω
Dans une certaine bande de féquences, on peut donc assimiler le gain à une
droite de pente n (20n dB/dec) et la phase à nπ
2
.

Exercice (Identification fréquentielle d’un système du premier ordre)

Après avoir vérifié que le système se comportait comme un système du pre-

mier ordre, les mesures suivantes ont été effectuées en régime harmonique :
à la fréquence de 15Hz, on a relevé une amplification de 2 (6dB) et un déphasage
de 45◦ de la sortie par rapport à l’entrée (la sortie est en retard).

Identifiez la fonction de transfert du premier ordre correspondant aux mesures.

Exercice (Identification fréquentielle d’un système du second ordre)

Après avoir vérifié que le système se comportait comme un système du second

ordre amorti, on cherche à l’identifier sous la forme :
1
G(s) =
Ls (1 + τ s)
Pour cela, les mesures suivantes ont été effectuées en régime harmonique :
à la fréquence de 100Hz, on a relevé une amplification de -10dB et un déphasage
de -135◦ de la sortie par rapport à l’entrée.
1◦ ) Donnez l’allure du diagramme de Bode de la fonction de transfert G(s).
Précisez les valeurs du gain et de la phase pour ω = 1/τ .
3.3. APPROCHE STATISTIQUE 65

2◦ ) Identifiez la fonction de transfert G(s) correspondant aux mesures.

3◦ ) En réalité, le système a un gain statique fini de 20dB. Comment faut-il

modifier la fonction de transfert G(s) pour en tenir compte ?

4◦ ) Sous quelle condition le comportement à la pulsation 1/τ n’est-il pas affecté

par ce changement de modèle ?

5◦ ) Déduisez-en la fonction de transfert du second ordre respectant l’ensemble

des conditions.

3.3 Approche statistique

Il s’agit d’algorithmes d’estimation des paramètres de modèles échantillonnés
des systèmes. Le traitement des données entrées/sorties peut se faire à l’aide
d’algorithmes non-récursifs (traitement des données obtenues sur un horizon
de temps) ou récursifs (traitement pas à pas des données).

L’identification paramétrique statistique est généralement basée sur

la méthode de prédiction (figure 3.5), c’est-à-dire un calcul de la sortie y(k) à
l’instant k en fonction des entrées et des sorties réelles aux instants précédents
u(k − i) et y(k − i).

Fig. 3.5 – Principe d’identification basée sur l’erreur de prédiction

L’erreur de prédiction, qui est l’erreur entre la sortie du système et celle

prédite par le modèle, est utilisée par un algorithme d’adaptation paramétrique,
qui à chaque instant d’échantillonnage, va modifier les paramètres du modèle
afin d’en minimiser l’erreur suivant un critère. Ce critère est en général choisi

de la forme J = e2 .
66 CHAPITRE 3. IDENTIFICATION

3.3.1 Méthode des moindres carrés

Soit le système représenté par le modèle suivant :

Fig. 3.6 – Modèle du système étudié

La mise en équation du système donne :

B(z −1 )
y(k) = u(k) + β(k) (3.48)
A(z −1 )

avec u(k) et y(k) séquences d’entrée et de sortie, β(k) bruit de mesure, k

l’instant d’échantillonnage, A(z −1 ) et B(z −1 ) deux polynômes qui s’écrivent :

A(z −1 ) = 1 + a1 z −1 + a2 z −2 + · · · + an z −n Dénominateur d’ordre n

B(z −1 ) = b1 z −1 + b2 z −2 + · · · + bm z −m Numérateur d’ordre m

On définit θT = [a1 , a2 , · · · , an , b1 , b2 , · · · , bm ] le vecteur des paramètres du

modèle. Si on néglige le bruit de mesure et si on possède N mesures consécutives
(u, y), on peut écrire N − n fois l’équation (3.48).
Soit :
⎤ ⎡
a1
⎡ ⎤ ⎡ ⎤⎢ . ⎥
y(n + 1) −y(1) ··· −y(n) u(1) ··· u(m + 1) ⎢ .. ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎢y(n + 2)⎥ ⎢ −y(2) · · · −y(n + 1) u(2) ··· u(m + 2) ⎥ ⎢⎢ a ⎥
⎥
⎢ ⎥ ⎢ ⎥ n
⎢ .. ⎥ =⎢ .. .. .. .. ⎥⎢ ⎥
⎣ . ⎦ ⎣ . . . . ⎦⎢ b
⎢ ⎥ 1 ⎥
y(N) ⎢ .. ⎥
−y(N − n) · · · −y(N − 1) u(N − n) · · · u(N − n + m) ⎣ . ⎦
bm
(3.49)
⎡ ⎤
e(n + 1)
⎢ ⎥
⎢e(n + 2)⎥
⎢
+⎢ ⎥
.. ⎥
⎣ . ⎦
e(N)
3.3. APPROCHE STATISTIQUE 67

Alors :

y = Ψ
 . θ
 + 
e (3.50)

dim (N −n) dim (N −n)×(n+m+1) dim (n+m+1) dim (N −n)

Le critère J est :

J= e2 = eT e
avec e = y − Ψθ les résidus d’estimation. Donc :

J = (y − Ψθ)T (y − Ψθ) = y T y − θT ΨT y − y T Ψθ + θT ΨT Ψθ

On cherche la valeur θ̂ de θ qui minimise J. Ainsi :


∂J  

= 0 = −2Ψ T
y + 2Ψ T
Ψθ
∂θ θ=θ̂ θ=θ̂

D’où on en déduit l’estimateur du vecteur des paramètres :

! "−1 ! T "
θ̂ = ΨT Ψ Ψ y (3.51)

Remarque :
L’estimateur est non biaisé si :

E[θ̂] = θ

Donc pour que : #! $

T
"−1 T
E Ψ Ψ Ψ e =0
il faut que Ψ et e soient non corrélé et e soit centré (bruit blanc). Si l’estimateur
est biaisé, des alternatives existent pour le rendre nul, comme le “blanchisse-
ment du bruit” par filtrage (méthode des moindres carrés généralisés) ou le
calcul d’une autre matrice d’observations de manière à éviter la corrélation
avec les résidus (méthode de la matrice instrumentale).

Exemple (Identification par la méthode des moindres carrés)

A la suite d’essais, on a choisit pour décrire le comportement d’un système
dynamique discret, le modèle suivant :

y(k) = −ay(k − 1) + bu(k − 1)

D’après des mesures du couple (Entrées, Sorties), on a relevé le tableau sui-

vant :
68 CHAPITRE 3. IDENTIFICATION

k 1 2 3 4
u(k) 2 1 4 5
y(k) 0 2 2 5

Pour estimer les paramètres θ̂T = [a, b] par la méthode des moindres carrés,
on utilise :
! "−1 ! T "
θ̂ = ΨT Ψ Ψ y

On commence par déterminer l’ordre du modèle, alors la fonction de transfert

en z s’écrit :
Y (z −1 ) b
−1
=
U(z ) z+a
d’où l’ordre du numérateur m = 0 et du dénominateur n = 1.

Pour un nombre de mesures N = 4, le vecteur de sortie et la matrice des

observations s’écrivent :
⎡ ⎤ ⎡ ⎤
y(2) 2
⎢ ⎥ ⎢ ⎥
y = ⎣y(3)⎦ = ⎣2⎦
y(4) 5
⎡ ⎤ ⎡ ⎤
−y(1) u(1) 0 2
⎢ ⎥ ⎢ ⎥
Ψ = ⎣−y(2) u(2)⎦ = ⎣−2 1⎦
−y(3) u(3) −2 4
ce qui permet de calculer :
! "T  
cof(ΨT Ψ) 1 21 10
(ΨT Ψ)−1 = =
det (ΨT Ψ) 68 10 8

⎡ ⎤
  2  
0 −2 −2 ⎢ ⎥ −14
(ΨT y) = ⎣ 2⎦ =
2 1 4 23
5
d’où :
      
a 1 21 10 −14 −0.5
θ̂ = = =
b 68 10 8 23 1
Le modèle du système est identifié et s’écrit :

y(k) = 0.5y(k − 1) + u(k)

3.3. APPROCHE STATISTIQUE 69

Exercice (Identification d’un modèle paramétrique)

Au cours d’une expérience, on a relevé les mesures suivantes des entrées/sorties :

k 1 2 3 4
u(k) 2 1 4 3
y(k) 2 2 5 5.5

On se propose d’identifier un modèle paramétrique de la forme :

y(k) = −ay(k − 1) + b1 u(k) + b0 u(k − 1)

1◦ ) Ecrivez la relation précédente pour chaque instant d’échantillonnage k.

2◦ ) Montrez que ces équations peuvent se mettre sous une forme matricielle
de la forme :
y = Ψθ

3◦ ) Déterminez les coefficients a, b0 et b1 .

3.3.2 Méthode des moindres carrés récursifs

L’estimation de paramètres par la méthode précédente des moindres carrés
présente un inconvénient majeur, la nécessité de calculer l’inverse d’une ma-
trice, ce qui est long et parfois impossible sur cetains calculateurs. On se pro-
pose de déterminer une méthode récursive qui présente les principaux avan-
tages suivants :
— La possibilité de traiter un plus grand nombre de données que dans le
cas de la formulation directe (pas de pseudo-inverse à calculer).
— Dans le cas des systèmes variants dans le temps, la forme récursive
permet de “suivre” les paramètres du système.
Pour avoir une forme récursif, supposons que nous possédions une estima-
tion des paramètres θN à l’instant N :
! "−1 ! T "
θN = ΨTN ΨN ΨN Y N (3.52)

à l’instant N + 1, la nouvelle estimation est :

! "−1 ! T "
θN +1 = ΨTN +1 ΨN +1 ΨN +1 YN +1 (3.53)
70 CHAPITRE 3. IDENTIFICATION

avec :
   
ψN +1 yN +1
ΨN +1 = , YN +1 =
ΨN YN
# $
où ψN +1 = −yN −yN −1 · · · yN −n+1 uN +1 · · · uN −m+1

l’estimé θ̂N +1 s’écrit alors :

! "−1 ! T "
θ̂N +1 = ΨTN ΨN + ψN
T
+1 ψN +1
T
ΨN YN + ψN +1 yN +1 (3.54)

En utilisant le lemme d’inversion matricielle :

! "−1
(A + BCD)−1 = A−1 − A−1 B C −1 + DA−1 B DA−1

on obtient :

θ̂N +1 =
 % &−1 
(ΨTN ΨN )−1 − (ΨTN ΨN )−1 ψN
T
+1 1 + ψN +1 (Ψ T
Ψ
N N ) −1 T
ψN +1 ψN +1 (Ψ T
Ψ
N N ) −1

! T "
× ΨN YN + ψN T
+1 yN +1 (3.55)
! "−1 T
En posant α = 1 + ψN +1 ΨTN ΨN ψN +1 et en développant les calcules, on
obtient finalement une formule de récurrence :
! T "−1 T  
−1
θ̂N +1 = θ̂N + ΨN ΨN ψN +1 α yN +1 − ψN +1 θ̂N (3.56)
 
Le terme yN +1 − ψN +1 θ̂N représente l’erreur d’estimation à l’aide des pa-
ramètres précédents. La nouvelle estimation est alors l’ancienne estimation
corrigée par un terme proportionnel à l’erreur d’estimation précédente, que
l’on peut réécrire sous la forme :
 
θ̂N +1 = θ̂N + KN +1 yN +1 − ψN +1 θ̂N (3.57)

tels que :
T
! T
"−1
KN +1 = PN ψN +1 I + ψN +1 PN ψN +1 (3.58)
PN +1 = PN − KN +1 ψN +1 PN (3.59)

Ces expressions représentent l’algorithme général d’estimation, et la condition

de convergence est la même : e doit être un bruit blanc.

L’initialisation de l’algorithme se fait de deux façons :

3.3. APPROCHE STATISTIQUE 71

— Si on a une estimation de θ0 (obtenue par une méthode non récursive

par exemple), on prend P0 = λI avec λ petit (petite variance du bruit).
— Si on ne connais pas de première approximation, on prend θ0 quelconque
et P0 = λI avec λ grand (grande variance du bruit).
Cet algorithme ne peut être utilisé que si les paramètres du système sont
constants, en effet lorsque N tend vers l’infini, PN tend vers 0, alors une va-
riation même importante des paramètres n’influe plus sur l’estimation de θ.
Notons encore que sur le plan numérique la forme PN +1 = PN − KN +1 ψN +1 PN
est très mal conditionnée, on lui préfère la forme :

PN +1 = (I − KN +1 ψN +1 )PN (I − KN +1 ψN +1 )T + KN +1 KNT +1

Si les paramètres évoluent brusquement, une solution consiste à réinitialiser

PN = λI avec λ grand. Si les paramètres évoluent lentement, on peut utiliser :

 
θ̂N +1 = θ̂N + KN +1 yN +1 − ψN +1 θ̂N (3.60)
T
! T
"−1
KN +1 = PN ψN +1 λI + ψN +1 PN ψN +1 (3.61)
1
PN +1 = (PN − KN +1 ψN +1 PN ) (3.62)
λ

Cet algorithme présente cependant l’inconvénient de faire croı̂tre PN de manière

exponentielle s’il n’y a plus d’excitation, d’où d’autres choix persistent :
— à gain constant : forcer PN +1 = PN pour éviter la diminution du gain
en cours de recherche des paramètres, et donner ainsi plus de poids aux
acquisitions les plus récentes. Cette option convient bien à un système
dont les paramètres varient.
— à gain décroissant : PN = C ste (cas classique) qui convient à un système
à paramètres constants.
— à trace constante : garder tr(PN ) = C ste (multiplication par un facteur
correctif à chaque itération) ; d’où les mêmes avantages que dans la
recherche à gain constant mais avec modulation, en cours de recherche,
le poids relatif de chaque paramètre.

Cette méthode présente les mêmes avantages que les moindres carrés non
récursifs, mais aussi le même inconvénient : l’estimateur est biaisé. Aussi on
lui préfère généralement d’autres méthodes telle que la méthode de la variable
72 CHAPITRE 3. IDENTIFICATION

instrumentale récursive, d’algorithme de la forme :

 
θ̂N +1 = θ̂N + KN +1 yN +1 − ψN +1 θ̂N (3.63)
! "−1
KN +1 = PN ZNT +1 σ 2 + ψN +1 PN ZNT +1 (3.64)
PN +1 = PN − KN +1 ψN +1 PN (3.65)
Dans ce cas ZN +1 représente un vecteur ligne instrumental composé soit d’ob-
servations retardées de la sortie ou de la sortie d’un modèle auxiliaire.

D’autres algorithmes existent et sont basés à peu près sur le même prin-
cipe. La différence se résume à l’expression de réglage du gain ; un réglage des
paramètres pour annuler une erreur d’équation ou de sortie selon la méthode.
La valeur du gain influe, comme sur n’importe quel système, sur la stabilité
(convergence de la méthode) et sur la rapidité. Moduler le gain revient donc à
moduler la rapidité de convergence ; si l’on a affaire à un système dont il faut
poursuivre les paramètres, qui varient effectivement dans le temps, on aura
intérêt à avoir un gain fort, si par contre le système est fortement bruité, on a
intérêt à avoir un gain faible, sinon la sortie du modèle va poursuivre le bruit
en faisant varier les paramètres à chaque période d’échantillonnage, ce qui n’a
pas de sens physique. Un bon réglage du gain demande plusieurs essais.

Exercice (Identification d’un modèle par méthode récursive)

On se propose de déterminer une méthode des moindres carrés sous forme
récursive pour l’estimation de modèle paramétrique d’un système.
A l’instant N on peut écrire :
⎡ ⎤ ⎡ ⎤
y(n + 1) −y(1) ··· −y(n) u(1) ··· u(m + 1)
⎢ ⎥ ⎢ ⎥
⎢y(n + 2)⎥ ⎢ −y(2) · · · −y(n + 1) u(2) ··· u(m + 2) ⎥
⎢ ⎥ ⎢ ⎥
⎢ .. ⎥ =⎢ .. .. .. .. ⎥
⎣ . ⎦ ⎣ . . . . ⎦
y(N) −y(N − n) · · · −y(N − 1) u(N − n) · · · u(N − n + m)
⎡ ⎤
a1
⎢ .. ⎥ ⎡ ⎤
⎢ . ⎥ e(n + 1)
⎢ ⎥ ⎢
⎢ a ⎥ ⎢e(n + 2)⎥ ⎥
⎢ n⎥
×⎢ ⎥+⎢ ⎥ (3.66)
⎢ b1 ⎥ ⎢
⎣
..
.
⎥
⎦
⎢ ⎥
⎢ .. ⎥
⎣ . ⎦ e(N)
bm
sous forme condensée :
YN = ΨN θN + EN
3.4. FILTRE DE KALMAN 73

dont l’estimateur est :

! "−1 T
θ̂N = ΨTN ΨN ΨN Y N
1◦ ) Ecrire la forme (3.66) à l’instant N + 1 en utilisant :
     
ψN +1 yN +1 eN +1
ΨN +1 , YN +1 , EN +1
ΨN YN EN

2◦ ) Donnez le vecteur ligne ψN +1 .

! "−1 T
3◦ ) L’estimation à l’instant N + 1 s’écrit θ̂N +1 = ΨTN +1 ΨN +1 ΨN +1 YN +1 .
Ecrivez θ̂N +1 en fonction de ΨN , ψN +1 , YN , yN +1.
Notez que :
 T  
a a
= AT A + aT a
A A

4◦ ) Sachant que :
! "−1
(A + BCD)−1 = A−1 − A−1 B C −1 + DA−1 B DA−1

Montrez que :

θ̂N +1 =
 % &−1 
(ΨTN ΨN )−1 − (ΨTN ΨN )−1 ψN
T
+1 1 + ψN +1 (Ψ T
N Ψ N ) −1 T
ψN +1 ψ N +1 (Ψ T
N Ψ N ) −1

! T "
× ΨN YN + ψN T
+1 y N +1

! "−1 T
5◦ ) En posant α = 1 + ψN +1 ΨTN ΨN ψN +1 , montrez que :
! T "−1 T  
−1
θ̂N +1 = θ̂N + ΨN ΨN ψN +1 α yN +1 − ψN +1 θ̂N (3.67)
 
◦
6 ) Que représente le terme yN +1 − ψN +1 θ̂N , interprétez alors l’équation
(3.67).

3.4 Filtre de Kalman

Le filtre de Kalman est un estimateur d’état de système dynamique sto-
chastique 4 à partir d’observations partielles et bruitées. Il a été introduit par
R. Kalman (1960).
4. Prise en compte de perturbations aléatoires et leur évolution dans les équations du
système.
74 CHAPITRE 3. IDENTIFICATION

3.4.1 Principe

Un système dynamique bruité peut être décrit par les équations :

'
x(k + 1) = Ax(k) + Bu(k) + Gζ(k)
(3.68)
y(k) = Cx(k) + β(k)

où : x ∈ Rn vecteur d’état, u ∈ Rm vecteur d’entrée, y ∈ Rp vecteur de me-

sure, ζ ∈ Rr vecteur de bruit du système, β ∈ Rp vecteur des bruits de mesure.

ζ est un bruit blanc de moyenne nulle et de matrice de covariance Q = E[ζ T ζ],

qu’on écrit ζ ∼ (0, Q). Il représente les erreurs de modélisation et les pertur-
bations.

β est un bruit blanc β ∼ (0, R) et il représente l’imprécision des capteurs. On

suppose que β et ζ ne sont pas corrélés, c’est-à-dire E[β T ζ] = 0.

L’état initial du système x0 est lui aussi inconnu, mais on en dispose de quelques
connaissances sous forme de valeur moyenne (prédite) x̄0 et de matrice de co-
variance P0 ; x0 ∼ (x̄0 , P0 ). On suppose que x0 est indépendant de β et de ζ,
c’est-à-dire E[xT β] = E[xT ζ] = 0.

Le but est de concevoir un estimateur qui fournit des estimations de l’état

x(k), en tenant compte des dynamiques données par l’équation (3.68) et des
mesures de sortie y(k).

Propagation des moyennes et des covariances

La moyenne de l’état x se propage comme suit :

x̄(k + 1) = Ax̄(k) + B ū(k) + Gζ̄(k)

x̄(k + 1) = Ax̄(k) + B ū(k)
x̄(0) = x̄0 (3.69)
3.4. FILTRE DE KALMAN 75

Ceci implique que la moyenne de x se propage suivant des dynamiques déterministes.

Pour trouver comment se propage la covariance de x, écrivons :
% &
Px(k+1) = E (x(k + 1) − x̄(k + 1))(x(k + 1) − x̄(k + 1))T
% &
= E (A(x(k + 1) − x̄(k + 1)) + Gζ(k))(A(x(k + 1) − x̄(k + 1)) + Gζ(k))T
% & % &
= AE (x(k) − x̄(k))(x(k) − x̄(k))T AT + GE ζ(k)T ζ(k) GT
% & % &
+ GE ζ(k)(x(k) − x̄(k))T AT + AE (x(k) − x̄(k))ζ(k)T GT
= APx(k) AT + GQGT (3.70)

La valeur moyenne de la sortie est :

ȳ(k) = C x̄(k) (3.71)

La covariance entre l’état x et la sortie y est :

% &
Px(k),y(k) = E (x(k) − x̄(k))(y(k) − ȳ(k))T
% &
= E (x(k) − x̄(k))(C(x(k) − x̄(k)) + β(k))T
= Px(k) C T (3.72)

La covariance de la sortie y est :

% &
Py(k) = E (y(k) − ȳ(k))(y(k) − ȳ(k))T
% &
= E (C(x(k) − x̄(k)))(C(x(k) − x̄(k)) + β(k))T
= CPx(k) C T + R (3.73)

Estimation linéaire optimale de x(k) à partir de y(k)

Supposons que, pour une matrice F et un vecteur g donnés, on a :

x̂(k) = F y(k) + g (3.74)

On définit x̂(k|k−1) comme étant l’estimation de x(k) à partir des informations

jusqu’à l’instant k − 1.
Le meilleur choix de F et de g est celui qui minimise l’erreur quadratique
moyenne :
% &
J = E (x(k) − x̂(k))T (x(k) − x̂(k)) (3.75)

d’où les expressions :

g = x̂(k|k − 1) − F ȳ(k) (3.76)

−1
F = Px(k)y(k) Py(k) (3.77)
76 CHAPITRE 3. IDENTIFICATION

Ce qui donne, après les substitutions appropriées :

! "−1
x(k|k) = x̂(k|k − 1) + P (k|k − 1)C T CP (k|k − 1)C T + R (y(k) − C x̂(k|k − 1))
(3.78)

L’erreur de covariance postérieure

Pour voir jusqu’à quel point l’estimation x̂(k|k) est précise, l’erreur de
covariance postérieure P (k|k) peut être calculée par :
! "−1
P (k|k) = P (k|k − 1) − P (k|k − 1)C T CP (k|k − 1)C T + R CP (k|k − 1)
(3.79)

3.4.2 L’algorithme discret

— Initialisation : Fixer x(0) = 0, P (0) = Px0 , k = 1.

— Etape 1 : Etant donné x(k − 1|k − 1) et P (k − 1|k − 1), on applique

les équations (3.69) et (3.70) (Effets des dynamiques du système) :

x̂(k|k − 1) = Ax̂(k − 1|k − 1) + Bu(k − 1)

P (k|k − 1) = AP (k − 1|k − 1)AT + GQGT

pour obtenir x̂(k|k − 1) et P (k|k − 1).

— Etape 2 : les nouvelles mesures y(k) étant obtenues, on applique l’ac-

tualisation de mesure suivante (effets des mesures) :
! "−1
K(k) = P (k|k − 1)C T CP (k|k − 1)C T + R
P (k|k) = (I?K(k)C)P (k|k − 1)
x̂(k|k) = x̂(k|k − 1) + K(k) (y(k) − C x̂(k|k − 1))

pour obtenir les estimations optimales P (k|k) et x̂(k|k). K(k) est appelé
le gain de Kalman.
Faire k = k + 1 et retourner à l’étape 1.

3.4.3 Schéma structurel

La figure 3.7 donne un schéma synoptique du filtre de Kalman.
3.4. FILTRE DE KALMAN 77

Fig. 3.7 – Schéma structurel du filtre de Kalman

3.4.4 Filtre stationnaire

Même si le modèle d’état du système est invariant dans le temps, le filtre
de Kalman est variant puisque le gain K(k) est fonction du temps. Alors, il
est souvent satisfaisant d’utiliser un filtre simplifié invariant, avec un gain K
constant.

Au régime permanent, l’erreur de covariance à priori P (k|k − 1) atteint une

valeur finale constante, qu’on appelle P . Elle peut être écrite dans ce cas sous
la forme :
! "
P = A P − P C T (CP C T + R)−1 CP AT + GQGT (3.80)

Cette expression est appelée équation algébrique de Ricatti, dont la solution est
P . Alors, le gain de Kalman au régime permanent est une matrice constante :
! "
K = P C T CP C T + R −1 (3.81)

et le filtre de Kalman au régime permanent est donc le système invariant :

x(k|k) = x̂(k|k − 1) + K (y(k) − C x̂(k|k − 1)) (3.82)

Sous Matlab, en utilisant la Control Systems Toolbox, l’expression :

>> K = dlqe(A, G, C, Q, R)

permet d’obtenir le gain optimal du filtre de Kalman.